研究人员使用健康数据工具快速检测新生儿的败血症
自动化程序可以在临床医生认识到危及生命的病情前数小时识别新生儿重症监护病房(NICU)中哪些患病婴儿患有败血症。一组数据研究人员和医生科学家在NICU人群中测试了机器学习模型，仅利用电子健康记录(EHRs)中常规收集的数据。
“因为早期检测在败血症病例中，快速干预是必不可少的，像这样的机器学习工具提供了改善的潜力临床结果在这些婴儿领导该研究团队机器学习工作的第一作者Aaron J. Masino博士说。马西诺是费城儿童医院(CHOP)麻醉学和重症监护医学系的助理教授，也是生物医学和健康信息系的成员。“后续临床研究将使研究人员能够评估这种系统在医院环境中的表现如何。”
研究小组在2月22日的回顾性病例对照研究中发表了他们的发现《公共科学图书馆•综合》．
脓毒症是世界范围内婴儿死亡率和发病率的主要原因，始于细菌入侵血液。不幸的是，侵略性的免疫反应会导致感染性休克的进展，这是一种严重的系统性疾病，导致多个器官衰竭，有时是致命的。虽然败血症在健康足月婴儿中相对罕见，但在早产儿或慢性住院婴儿中败血症的发生率要高200倍。婴儿败血症的幸存者可能遭受长期问题，如慢性肺病神经发育障碍和长时间住院。
由于模糊的临床体征和筛查试验的不准确性，住院婴儿败血症的快速诊断往往很困难。发现败血症的延迟会导致干预措施的延迟，包括抗生素治疗和支持性护理。然而，不必要地使用抗生素会带来风险，并增加抗生素耐药性，因此明确的早期诊断非常重要。
目前的研究旨在开发一种机器学习模型，能够在临床怀疑前至少4小时识别NICU婴儿的败血症。马西诺说:“据我们所知，这是第一个研究机器学习在临床识别前仅使用常规收集的EHR数据来识别败血症的研究。”
机器学习使用计算和统计技术来训练计算模型，以从数据中检测模式，然后执行所需的任务。在这种情况下，研究团队评估了8个机器学习模型分析患者数据的能力，以预测哪些婴儿患有败血症。由于数据来自NICU婴儿的回顾性样本，研究人员能够将每个模型的预测与后续发现进行比较——无论是否发现单个患者患有败血症。
研究小组利用了2014年至2017年CHOP NICU中618名婴儿的EHR数据。病人登记的许多婴儿都是早产儿;队列中位胎龄为34周。同时发生的疾病包括慢性肺病、先天性心脏病、坏死性小肠结肠炎(一种严重的肠道感染)和手术条件。
共同作者包括儿科医生和生物医学信息学专家Robert W. Grundmeier，医学博士和新生儿学家和败血症专家Mary Catherine Harris，医学博士。他们都利用自己的临床经验和医学文献知识来帮助开发EHR数据中败血症相关的特征组。马西诺、格伦德梅尔和哈里斯除了在CHOP任职外，还担任宾夕法尼亚大学佩雷尔曼医学院的教职人员。
Grundmeier和Harris是这项研究的首席临床研究员，他们列出了36个与婴儿败血症相关或疑似相关的特征。这些特征分为生命体征、实验室值、共病和临床因素(如婴儿是否使用呼吸机)，从EHR条目中提取，并为机器学习模型提供输入数据。“像我这样的生物医学信息学专家与我们的临床医生同事合作，从EHR数据中选择相关特征，”Masino说。
8个模型中有6个在准确预测方面表现良好脓毒症在临床发现病情前4小时。
马西诺说，该团队的发现是为医院实践开发实时临床工具的初步步骤。研究人员计划对这项研究进行进一步的研究，以完善他们的模型，并在精心设计的前瞻性临床研究中调查软件工具。他补充说:“如果研究证实了其中一些模型，我们可能会开发一种工具来支持临床决策，并改善危重婴儿的结果。”
进一步探索
